吾名爱妃,性好静亦好动。好编程,常沉浸于代码之世界,思维纵横,力求逻辑之严密,算法之精妙。亦爱篮球,驰骋球场,尽享挥洒汗水之乐。且喜跑步,尤钟马拉松,长途奔袭,考验耐力与毅力,每有所进,心甚喜之。
吾以为,编程似布阵,算法如谋略,需精心筹谋,方可成就佳作。篮球乃团队之艺,协作共进,方显力量。跑步与马拉松,乃磨炼身心之途,愈挫愈勇,方能达至远方。愿交志同道合之友,共探此诸般妙趣。诸君,此文尚佳,望点赞收藏,谢之!
全球企业正在向用于客户服务的生成式人工智能(GenAI)用例投入资金。
事实上,根据Gartner的研究,只有软件开发和营销团队经历了比客服更大的GenAI投资。
为什么?在大模型技术出现之前,许多有形的用例已经存在。相反,自然语言处理(NLP)引擎为它们提供了动力,而不是GenAI。
然而,大型语言模型(LLM)(如ChatGPT)能够实时从客户对话中提取上下文和实体,这消除了花费数百小时设计这些NLP解决方案的要求。
因此,GenAI使案例摘要、情绪跟踪和客户意图建模等功能更容易访问,也更具成本效益。
自动生成客户回复
生成型AI理解客户意图。这种能力是该技术许多新的客户服务用例的核心,例如自动生成客户回复。
事实上,GenAI应用程序(如Salesforce的Service GPT)可以通过首先了解客户查询并筛选各种知识源来寻找答案。
这些知识来源可能包括网络链接、知识库、CRM和各种其他客户数据库,这也可能允许个性化。
在搜索这些信息时,GenAI会自动生成相关的客户响应,代理可以对其进行评估、编辑并转发给客户。
最后一部分是至关重要的,让人类参与进来,以降低用错误信息做出反应的风险,并保护服务团队免受GenAI幻觉的影响。
协助代理人打字
在LLMs出现之前,许多人在使用Gmail等工具时都使用了生成式AI。事实上,电子邮件工具可以预测一个句子的结尾,如果它猜对了,用户可以点击“标签”按钮,它就会完成他们的消息。
随着大型语言模型(LLM)的出现,Zendesk构建了一个客户服务版本。
其“扩展代理回复”解决方案允许代理键入其响应的基本内容,然后为他们充实,从而节省了他们在数字渠道上响应客户的时间。
同样,呼叫中心必须将解决方案插入到各种知识源中,才能实现这一点——就像许多其他用例一样——并且有一个代理参与其中。
自动记笔记
代理们经常收到大量信息,他们必须记住这些信息。然而,跟踪所有关键细节是棘手的。
因此,许多主管鼓励记笔记。然而,即使这样也会阻碍代理在多任务处理时积极倾听的能力,从而导致解决时间增加。
Sprinklr的“呼叫单自动化”解决方案旨在通过在客户交谈时记下关键信息来克服这个问题。
代理人在形成回复时可以参考这些金块信息,而不是依赖于非结构化、庞大的记录。
知道这一点后,他们可以专注于客户在说什么,而不是试图记住他们之前说过的话,这应该会改善他们的通话处理。
挖掘客户常见问题
随着生成式人工智能监控客户意图,许多供应商已经构建了仪表板,跟踪客户联系企业的主要原因并对其进行分类。
有了这些信息,呼叫中心就可以了解他们的主要需求驱动因素。
这使服务团队能够优先采取行动,改善呼叫中心的行程。这些行动可能包括改进代理支持内容、解决上游问题或添加会话式AI。
谷歌云CCAI Insights的生成性常见问题解答允许呼叫中心上传编辑后的成绩单以解锁此功能。该工具还可以生成对话亮点、摘要和客户满意度评分,以存储在CRM中。
呼叫后处理自动化
当服务代理结束客户交互时,他们必须完成呼叫后处理。这通常涉及将联系人摘要和处置代码上传到CRM系统。
生成式人工智能解决方案现在可以自动化这一过程,缩短每次呼叫中心对话的时间,从而为服务运营节省大量资源。
简化呼叫转移和升级
当会话转接升级时,客户必须经常重复他们的问题以及他们与第一个代理共享的信息,这是客户沮丧的常见来源。
然而,生成式人工智能可以通过总结到目前为止的通话内容并将其发送给第二个支持代理或主管来提供帮助。
因此,他们可以从对话中断的地方继续对话,节省时间并防止客户重复自己的话。
Verint交互传输机器人正是这样做的。无论第一个代理是人类还是机器人,它都会发送一个快速、信息丰富的摘要,而不是一个笨拙的成绩单。
检测客户服务自动化机会
通过发现客户常见问题,生成式人工智能帮助呼叫中心发现对话自动化的机会。然而,Five9的AI Insights更进一步。
该解决方案采用客户对话,并根据各种特征(如意图)对其进行分组。
从那里,它应用GenAI和NLP来搜索这些联系人组中的模式,提出流程和自动化改进机会。
在此过程中,该工具会显示这些机会出现的频率,以及呼叫中心通过采取行动可以节省的成本。
制定质量保证记分卡
经过多年的电话和联系人监控以及CSAT/情绪分析,经验丰富的团队领导和质量分析师了解优秀的客户对话是什么样子的。
然而,将这些知识转化为具体、可衡量和公平的质量保证(QA)标准说起来容易做起来难,更不用说耗时了。
GenAI可以通过Verint质量模板机器人等解决方案提供帮助。有了这个,QA负责人可以输入简单的提示,了解顶级客户代理在特定渠道上的互动情况。
然后,注入GenAI的解决方案将搜索历史联系人,以发现反映渠道上这些提示的短语和行为,从而自动构建QA记分卡。
最后,QA团队可以在跨其他渠道(可能还有特定的客户意图)重复该过程之前,对记分卡进行审查、编辑和最终确定。
在自动质量评分中添加上下文
许多CCaaS提供商现在提供了自动质量评分的功能,可以洞察所有呼叫中心对话。这提供了一个更全面的代理性能视图。
生成式人工智能进一步实现了这一点,它不仅自动化了“发生了什么”的问题,即代理是说这个还是做那个但也有其他标准。
Amazon Connect的Manager Assist解决方案通过利用GenAI自动填充更主观的记分卡标准来实现这一点,例如:客户是否满意地结束通话?或者:代理商是否提供了任何优惠?
除此之外,该解决方案还为自动答案提供了一个理论基础,以防质量分析师、主管或教练希望更深入地研究或代理想要挑战它。
确定代理商辅导机会
除了自动填写更多的质量记分卡(如上所述)外,Amazon Connect的Manager Assist还为每个客户对话提供了一个自动化的代理绩效摘要。该总结包括指导和积极的认可机会。
事实上,在AWS分享的一个示例中,该解决方案生成了以下反馈:
“代理商本可以更主动地提前提供折扣或解决方案,而不是等待客户询问。采取主动表明了解决问题的承诺。”
“客服在道歉和对网站问题负责方面做得很好。对客户的沮丧表示同情很重要。”
这项创新还激发了质量保证和教练团队之间的合作,他们可以创建一个互联的学习策略来提高代理人的表现。
提醒主管注意坐席服务质量
生成式人工智能为将洞察力转化为行动提供了多种机会,包括会话智能工具发现的洞察力。
例如,NICE使用这些工具实时检测客户情绪。
Forrester Wave CCaaS的领导者随后应用GenAI来监控情绪趋势,并在情绪大幅下降时提醒主管。然后,他们可能会突然介入,挽救局面。
除了情绪,呼叫中心还可以利用GenAI在代理表现出特定行为时提醒主管,并记下客户投诉。
衡量客户情感,而不仅仅是情绪
许多呼叫中心提供商提供通过情感对对话进行评分的功能。
有些人甚至可能会分享这种情绪如何随着时间的推移而变化的见解,这样呼叫中心就可以跨意图破译是什么驱动了积极或消极的情绪。
虽然速度很快,但GenAI让供应商走得更远。GenAI支持的情绪解决方案(如Talkdesk的Mood Insights)没有将情绪标记为积极、消极或中性,而是捕捉了更具体的情绪,如沮丧、感激和解脱。
有了这种洞察力,品牌可以深入了解他们的代理商如何唤起各种情绪,并发现新的最佳实践来指导整个代理商群体。
翻译实时客户电话
实时翻译客户聊天和消息的解决方案有很多。然而,发言权的选择仍然特别有限。
为什么?因为他们利用语音转文本技术从客户的音频中创建文字记录。然后,它通过翻译引擎将书面文本翻译传递到坐席桌面。
从那里,坐席键入一个响应,该响应通过文本到音频流播放。
从技术上讲,这是可行的,坐席和客户可以在讲不同语言的同时进行电话交谈。但是,让坐席打出回复的整个过程需要时间。
此外,长时间的沉默是一个真正的和谐杀手。
实时修改坐席口音
背景噪音消除专家,如Sanas和Krisp,在客户服务方面创造了大量业务,长期以来一直在寻找方法来加强他们的技术栈,以增加他们在呼叫中心的存在。
GenAI已经给了他们答案。以萨纳斯为例。它将该技术与音频处理能力相结合,将带有浓重口音的英语转换为无口音的美国英语。
据报道,前20大客户服务BPO中有12家已经利用了该解决方案,将代理商流失率降低了50%。
在其他地方,一家日本电信提供商正在试用一种类似的软件,该软件可以改变愤怒客户的语气。
这两种用例都有其优点,尽管在这两种情况下都存在伦理问题,特别是在口音翻译方面,批评者称该技术“助长了种族主义”。
发现知识库中的差距
为了自动化客户查询,基于GenAI的解决方案借鉴了各种知识来源。通常,呼叫中心知识库是最主要的。
然而,有时,解决方案没有知识文章作为其响应的基础。
当这种情况发生时,它可能会向呼叫中心管理层标记知识库差距,然后呼叫中心管理人员可以评估联系原因并创建新的知识文章。
因此,GenAI应用程序可以发挥作用,就像语音交互中的实时坐席一样,可以增强呼叫中心的知识管理策略。
生成知识文章
除了发现知识库中的空白(如上所述)外,一些GenAI解决方案还可以创建新的文章来填补这些空白。
Twilio的CustomerAI就是这样一个解决方案的例子。它了解客户意图,评估坐席和主管如何成功处理此类查询,并使用这些信息开发新的知识文章。
然后,服务团队可能会让主管或经验丰富的坐席评估知识文章,对其进行编辑,并将其发布在知识库中,以使人员了解情况。
这些自动生成的文章的另一个优点是它们的格式相同,允许坐席快速理解和操作它们。
简化自助服务和机器人构建活动
生成式人工智能正在改变低代码/无代码的解决方案。它允许用户仅使用自然语言构建应用程序,而不是拖放工具。
这将影响客户服务的许多方面,聊天机器人开发提供了一个很好的早期例子。
考虑一下嵌入谷歌CCaaS解决方案的生成应用程序生成器:呼叫中心人工智能平台。它允许呼叫中心在几分钟内构建机器人。
事实上,开发人员可以用自然语言解释机器人应该收集什么信息、它必须执行的任务以及它发送数据所需的API。然后,该平台会自动输出一个机器人,企业可以在其联络中心进行调整和部署。
扩大对话式人工智能的范围
Nuance现在是微软的一部分,是首批将ChatGPT添加到其对话式人工智能平台的供应商之一。
它利用LLM的方式是,如果虚拟坐席收到一个没有经过训练的问题,生成式AI会提供后备响应。
对话式人工智能平台与之集成的网络链接和呼叫中心知识源为响应提供了信息,有助于自动化更多的客户查询。
除了答案之外,GenAI驱动的机器人还引用了它所利用的信息来源,如果客户希望更深入地挖掘,他们可以访问这些信息来源。
保持自助服务互动正常进行
当客户在对话中途改变意图时,自动化的客户服务交互有时会中断,这会让虚拟坐席感到困惑。
Nuance的Conversation Booster使用生成式人工智能来解决这个问题,因为用户在机器人中执行自助任务。这些任务可能包括付款、安排约会或更新个人信息。
事实上,机器人会检测到意图的变化,并发出一条信息,让客户重新聚焦,让对话重回正轨,并提高控制率。
机器人测试的模拟对话
与Nuance和谷歌一样,Cognigy在客户服务领域突破了生成式人工智能创新的界限,其“对话模拟”工具就是一个例子。
该工具通过模拟客户对话轰炸虚拟坐席应用程序,以测试机器人对各种输入的承受能力。
通过将其与Cognigy Playbooks报告平台配对,服务团队可以验证机器人流、验证输出和添加断言。
根据2023年Gartner的一份报告,客户选择的对话式人工智能供应商将“断言”定义为机器人通过测试必须满足的条件。
建立客户调查
很容易在客户调查中考虑要包括什么。然而,GenAI可以支持构思过程。
考虑Sprinklr调查解决方案。它利用战略文件、品牌指南和其他资产,在几秒钟内构建客户问卷以供审查。
从那里,Sprinklr的客户可以利用提供商的全渠道能力来分发这些调查,汇总数据,并再次使用GenAI来分析反馈。
从客户反馈中提取见解
LLM可以消耗大量信息,剥离趋势,并将其转化为简洁、结构化的摘要。
InMoment的智能摘要生成器可用于收集客户反馈。事实上,基于GenAI的解决方案首先吸收了各种来源的此类反馈,包括调查、对话记录和在线评论。从那里,它生成了一个趋势概述。
如果呼叫中心能够持续向此类解决方案提供知识来源,呼叫中心就可以持续监控客户投诉,并迅速采取行动解决新出现的问题。
定义故障排除步骤
通过评估成功的对话记录——跨越特定的客户意图——生成性人工智能可以吸收解决方案的理想路径。
Cresta的Flow Modeling提供了这样一种解决方案,根据其对各种客户体验和业务成果的影响来确定这条路径。
同时,这种能力揭示了导致成功解决方案的特征。这些可以为代理指导和记分卡创建计划提供信息。
增强搜索功能
搜索引擎可以使用生成式人工智能自动生成书面问题的答案。该功能可能会影响多个客户服务应用程序。
例如,考虑知识库。当坐席键入问题时,它可以弹出答案,因此坐席不必在文章和文档中搜索来找到它。
这种能力也可能为客户服务带来新的可能性。NICE的行业基准就是一个很好的例子。
该解决方案的核心包含大量匿名呼叫中心对话数据,NICE将这些数据汇集在一起,用于为许多指标制定特定行业的基准。
这些指标包括客户情绪、呼叫原因、自动化成熟度等。
首先,供应商安装了一个融合了GenAI的搜索引擎,这样服务团队只需输入几个书面提示,就可以看到他们在竞争中的表现。
扩大服务业务
如今,呼叫中心代理和商店员工并不是唯一提供客户服务的员工。由于云通信工具的激增,所有员工都可以参与进来,生成式人工智能可以为他们提供支持。
考虑一下现场服务人员。他们经常在实地考察之前与客户接触,以消除任何潜在的简单修复。经常这样做可以节省他们浪费时间的访问。
为了提高这些前期对话的成功率,Oracle在其客户服务CRM中添加了基于GenAI的现场服务建议功能。
该工具为这些员工提供来自故障排除源材料(包括产品手册)的实时人工智能建议,以支持他们远程解决问题。